风光互补独立供电系统的多目标优化设计
风光互补发电系统的优化与调度
风光互补发电系统的优化与调度1. 引言随着全球能源危机的加剧，清洁能源的开发和利用越来越受到人们的关注。
风能和太阳能作为两种重要的可再生能源，具有广泛的应用前景。
风光互补发电系统将风能和太阳能两种能源进行集成，既能弥补单一能源的不足，又能提高发电系统的可靠性和稳定性。
本文将讨论风光互补发电系统的优化与调度问题。
2. 风光互补发电系统的组成风光互补发电系统由风力发电系统、太阳能发电系统和储能系统组成。
2.1 风力发电系统风力发电系统利用风能转化为电能。
其中主要包括风力发电机组、变流器和配电网。
风力发电机组通过转动风轮产生机械能，再经过转子与发电机直接产生电能。
变流器将电能转化为交流电并注入配电网中。
2.2 太阳能发电系统太阳能发电系统利用太阳能转化为电能。
其中主要包括光伏电池组件、逆变器和配电网。
光伏电池组件通过吸收太阳光转化为直流电能，逆变器将直流电转化为交流电并注入配电网中。
2.3 储能系统储能系统用于存储多余的电能，以应对风力发电和太阳能发电的间歇性和不稳定性。
常用的储能设备包括电池组、超级电容器和储水器等。
3. 风光互补发电系统的优化为了最大程度地发挥风光互补发电系统的优势，需要对其进行优化。
优化的目标是提高发电系统的能源利用率和经济性。
3.1 智能预测与调度基于历史数据和气象预报，可以利用智能算法对风力发电和太阳能发电进行预测，以确定未来一段时间内的发电量。
根据预测结果，可以合理安排风力发电机组和太阳能发电系统的运行模式，并动态调整储能系统的充放电策略，从而最大程度地利用可再生能源。
3.2 优化匹配由于风力发电和太阳能发电具有一定的间歇性和时空不均匀性，需要合理匹配两种能源供给。
通过优化匹配策略，可以在不同的时间段内实现风力发电和太阳能发电的互补，从而提高整个发电系统的可靠性和稳定性。
3.3 多能源协同调度风光互补发电系统通常与传统电网相连，可以通过多能源协同调度来实现能源的有效利用。
多能源调度算法可以根据电网的负荷需求和能源供给情况，合理调度风力发电、太阳能发电和储能系统的运行状态，以最大程度地减少对传统电网的依赖。
风光互补独立供电系统的多目标优化设计
风光互补独立供电系统的多目标优化设计风光互补独立供电系统的多目标优化设计随着全球能源需求的增长和环境保护的要求，可再生能源逐渐成为替代传统燃煤发电的重要选择。
风光互补独立供电系统是一种利用风能和太阳能相互补充的电力系统，它具有可再生、清洁、高效、可靠等优点，被广泛应用于偏远地区、岛屿以及山区等没有电网接入的地方。
然而，由于风能和太阳能的不稳定性，风光互补独立供电系统在供电过程中会面临多个挑战。
相关研究表明，多目标优化设计可以帮助提高系统的性能，优化能源的利用效率，降低系统的运维成本，并最大限度地减少对外部能源的依赖。
本文将探讨风光互补独立供电系统的多目标优化设计方法。
首先，风光互补独立供电系统的多目标优化设计需要考虑的核心目标是能源利用效率、系统可靠性和经济性。
能源利用效率是指在不同的天气条件下，系统对风能和太阳能的转化效率。
系统可靠性是指系统连续稳定供电的能力，包括对风能和太阳能的可预测性受损程度的适应能力。
经济性是指系统建设和运维的成本，以及系统投资回报的时间。
为了实现多目标优化设计，需要考虑以下几个方面。
首先，确定各个目标之间的权重，并基于实际需求和资源情况进行优化。
例如，在电力需求较大的地区，可以将能源利用效率的权重设置较高，以提高系统的供电能力。
其次，优化系统的风力发电机和光伏阵列的布局和规模。
根据风能和太阳能的性质和变化规律，选择合适的风力发电机和光伏阵列，同时考虑它们之间的互补关系，以提高能源利用效率和系统的可靠性。
另外，还需要考虑储能系统的设计和优化。
储能系统可以在风能和太阳能充足时存储过剩的电能，并在供电不足时释放电能供电。
在多目标优化设计中，需要确定储能系统的容量和类型（如蓄电池、超级电容等），以最大限度地提高系统的供电可靠性和经济性。
除了以上设计过程中的考虑因素，还需注意系统的运行和监控。
通过建立数据采集和监控系统，可以实时监测风力发电机、光伏阵列和储能系统的运行状态，并对系统进行故障检测和预测，以确保系统的正常运行和供电能力。
风光互补发电系统的应用及优化设计
风光互补发电系统的应用及优化设计摘要：随着我国经济不断发展，对能源的需求也在不断增加，而传统的矿物能源存量有限且不能再生，因此研究和开发新能源技术是趋势所在。
风光互补发电系统是利用风能和太阳能互补性强的特点，由风力发电机、太阳能电池、控制器、蓄电池组、逆变器等组成的一个发电系统，可将电力供给负载使用。
风电互补发电系统的应用主要是因为太阳能及风能之间的天然互补优势，使得该系统成为有着资源条件较好及能源匹配度较高的独立电源系统。
风电互补发电系统具备可再生能源、绿色能源、设备安装简单、性价比高以及维护方面等优点，使得其具备了更大的竞争优势，在各个行业中的推广程度也在大范围的增加。
关键词：风光互补发电系统；问题；优化；应用1、风光互补发电系统控制风光互补发电系统中风力发电与光伏发电起到核心的作用，准确实现风光互补，分析如下：1.1风力发电控制风力发电控制较为复杂，由于其在互补发电系统中较容易受到外界因素的干扰，所以稳定性偏弱，产生耦合干扰，需着重控制风力发电的过程，才可保障其在风光互补发电系统中的控制性。
例如：风力发电机组的功率控制，如果实际风速大于额定设置，此时需要严谨控制机组功率，确保风力发电控制在额定状态，保障风力发电的功率稳定，才可确保风光互补发电系统处于高效控制的状态中，相反风速小于额定设置时，需要启动机组功率控制的变桨距，以此来对比输出与额定数值，调节并控制风力发电的功率，通过变桨距的角度控制，提供适度的功率需求。
1.2光伏发电控制光伏发电子系统是风光互补发电的另外一部分，共同控制风光发电的系统功率。
分析风光互补发电系统的功率可以得出，维持系统最大的功率状态，必须实现负载阻抗与光伏发电的电阻相等，由此保障光伏发电的功率处于最大化[2]。
如果光伏发电的功率最大，就需要适当的控制方法，调控系统的发电功率。
光伏发电的系统利用了跟踪控制的方法，分析外界环境因素对光伏发电系统的影响，随时跟踪光伏发电功率的变化，通过控制负载阻抗，提高系统功率输出的能力，满足系统控制的需求，即使光伏发电系统未处于适当的天气环境中，也可以在跟踪控制的作用下，保持最大功率的效益。
风电场并网性能测试中的多目标优化技术
风电场并网性能测试中的多目标优化技术风电场的并网性能测试是确保其安全、高效地接入电网运行的关键环节之一。
在这一过程中，多目标优化技术发挥着重要作用，旨在最大程度地提高风电场的运行效率、降低成本，并兼顾电网安全稳定运行等多重目标。
本文将探讨风电场并网性能测试中的多目标优化技术及其应用。
1. 概述风电场并网性能测试旨在验证其满足电网接入要求，包括功率响应、无功支撑等方面。
多目标优化技术在此过程中通过综合考虑多个指标，如风机输出功率、电网频率响应等，寻求最佳的运行策略，以提高风电场的整体性能。
2. 多目标优化方法(1) 基于遗传算法的优化方法：遗传算法作为一种仿生算法，模拟了自然界中的进化过程，通过不断迭代进化产生出适应环境的解。
在风电场并网性能测试中，可利用遗传算法优化风机的控制参数，如桨距角、转速等，以最大化风机输出功率的同时保证电网安全运行。
(2) 多目标粒子群优化方法：粒子群优化算法是一种基于群体智能的优化方法，模拟了鸟群觅食的行为。
在风电场并网性能测试中，可以利用多目标粒子群优化算法综合考虑风机的多个性能指标，如功率曲线平滑度、无功支撑能力等，实现多目标优化控制。
(3) 混合优化方法：将不同优化算法进行混合，充分利用各自优点，以提高优化效果。
例如，将遗传算法与粒子群优化算法相结合，在全局搜索和局部搜索之间实现平衡，进一步提高风电场并网性能的优化效果。
3. 应用案例某风电场采用多目标优化技术进行并网性能测试，取得了显著的成效。
通过优化风机控制参数，实现了风机输出功率的最大化，并在电网频率波动时能够及时调整输出功率，为电网提供稳定的支撑。
同时，风电场在无功支撑方面也取得了良好效果，有效提高了电网的无功电力质量。
4. 结论多目标优化技术在风电场并网性能测试中具有重要意义，能够有效提高风电场的运行效率、降低成本，同时兼顾电网安全稳定运行等多重目标。
随着优化算法的不断发展和完善，相信多目标优化技术将在风电场并网领域发挥越来越重要的作用。
风光互补发电系统的优化设计
风光互补发电系统的优化设计
本报告旨在对风光互补发电系统的优化设计进行详细的分析。
首先，要在优化设计中充分发挥风能和光能资源的优势，应考虑两者相互补充，避免因单一能源短缺而影响供电安全。
其次，要重视节能减排原则，建立节能优先、多能互补的优化发电模式。
针对上述问题，可以在设备的选型方面提出建议。
例如，可以使用新型风电机组和太阳能光伏系统，其带宽可增大30%，
从而提高系统的负载能力；使用配套的转换技术，可以不断优化发电系统的性能；可以使用交流/直流配电技术，将分散的
配电负载集中在数量少的配电线路中，以降低损耗，提高电压和稳定性。
此外，还可以对控制系统进行优化。
可以设计多级控制系统，通过联网技术，实现远程监控，自动化控制，以保证运行安全；可以引入电能表管理系统，可以实时统计每个用户的电能消耗情况，提高用电效率；可以使用多传感器技术，实现数字化采集控制，改变传统电力传输网络的结构，使之更为灵活，容量更大，可靠性更高，同时可以更好地避免电网故障。
以上是关于风光互补发电系统优化设计的研究与分析报告，本报告仅供参考。
此外，还可以进一步深入研究多向互补发电技术的发展趋势，丰富系统的多功能性，不断提高发电系统的可靠性，确保系统的安全运行与可持续发展。
风光互补电力系统中的优化调度与控制
风光互补电力系统中的优化调度与控制随着全球对清洁能源的需求不断增长，风力和光伏发电逐渐成为可再生能源领域中的主要力量。
风光互补电力系统通过将风力发电和光伏发电相结合，可以更好地利用资源，提供稳定可靠的电力供应。
然而，在实际应用中，优化调度与控制风光互补电力系统仍然面临诸多挑战。
首先，风光互补电力系统的优化调度是保证系统运行的关键。
优化调度的目标是合理配置风力和光伏发电机组的出力，以最大程度地提高系统的可持续性和经济性。
为了实现这一目标，需要考虑多个因素，包括天气变化、负荷需求、电力市场价格等。
通过建立预测模型，可以预测未来的天气和负荷需求，从而根据这些信息进行合理的调度安排。
其次，风光互补电力系统的控制策略对系统的稳定运行至关重要。
控制策略需要保证风力和光伏发电机组的出力始终与系统负荷需求匹配，避免发生电力供应不足或过剩的情况。
传统的控制方法主要基于PID控制算法，但由于风力和光伏发电的不确定性和非线性特点，传统方法往往难以满足需求。
因此，研究人员提出了一系列新的控制策略，如模糊控制、神经网络控制和模型预测控制等，用于提高风光互补电力系统的控制性能。
另外，风光互补电力系统中的储能技术也是优化调度和控制的关键。
由于风力和光伏发电的波动性，储能技术可以用来平衡电力的供需差异。
目前常见的储能技术包括电池储能、压缩空气储能和抽水蓄能等。
储能技术的选择和运行管理对系统的运行效果至关重要，需要考虑储能设备的容量、效率和充放电策略等因素。
通过合理的储能技术配置和运行管理，可以提高风光互补电力系统的可靠性和稳定性。
此外，风光互补电力系统的电网连接和运行管理也是一个重要的问题。
在风光互补电力系统中，风力和光伏发电机组通过逆变器将直流电转换为交流电并与电网连接。
然而，由于逆变器的不稳定性和控制策略的复杂性，风光互补电力系统往往容易受到电网扰动的影响，进而影响电力系统的稳定运行。
因此，需要研究电网连接和运行管理的优化方法，以提高风光互补电力系统的电网适应性和稳定性。
电力系统中风光互补发电系统的建模与优化控制
电力系统中风光互补发电系统的建模与优化控制随着世界能源需求的不断增长和对环境保护的日益关注，可再生能源的利用呈现出快速发展的势头。
风光互补发电系统作为可再生能源的代表，被广泛应用于电力系统中。
本文将探讨电力系统中风光互补发电系统的建模与优化控制。
一、风光互补发电系统的建模风光互补发电系统是通过将风能和太阳能转化为电能来满足电力系统的需求。
在建模过程中，我们需要考虑风力发电系统、光伏发电系统以及其与电力系统的互连。
1. 风力发电系统建模：风力发电系统主要由风力发电机组成，通过风能转动发电机并产生电能。
在建模中，需要考虑风速、风轮的转速以及风力机的特性曲线。
采用风速-功率曲线和功率-转速曲线可以准确描述风力发电机的特性，从而实现对风力发电系统的建模。
2. 光伏发电系统建模：光伏发电系统利用太阳能转化为电能。
在建模中，需要考虑光照强度、光伏电池的温度和光伏数组的特性。
光照强度和温度对光伏发电系统的输出功率有重要影响。
通过电流-电压特性和功率-电压特性曲线，可以准确描述光伏发电系统的特性。
3. 互连建模：风力发电系统和光伏发电系统与电力系统的互连是实现风光互补发电的关键。
在建模中，需要考虑互连电流、互连电压以及互连装置的特性。
通过考虑互连装置的阻抗、电流和电压关系，可以实现对风光互补发电系统与电力系统的互连建模。
二、风光互补发电系统的优化控制优化控制是指通过合理的控制策略和算法，使风光互补发电系统在不同工况下达到最佳的性能。
风光互补发电系统的优化控制主要包括功率优化控制和运行优化控制。
1. 功率优化控制：功率优化控制旨在调节风力发电机和光伏发电机的工作状态，以最大化风光互补发电系统的输出功率。
在风力发电机中，可以通过控制风轮的转速、叶片的角度等参数来实现功率的最大化。
在光伏发电系统中，可以通过调整光伏阵列的倾角和方向、使用最大功率点跟踪技术等手段来实现功率的最大化。
2. 运行优化控制：运行优化控制旨在调节风光互补发电系统的运行状态，使其在运行过程中达到最佳的性能。
风光互补能源系统中的电力优化分析
风光互补能源系统中的电力优化分析风能和太阳能是两个重要的可再生能源，它们广泛应用于发电领域。
风光互补发电系统能够更好地利用这两种可再生能源，实现对电网的贡献。
但是，风光互补发电系统的电力优化问题一直是学术界和工程实践者关注的难题之一。
本文将从风光互补发电系统的工作原理、电力优化的需求和现有技术三方面分析电力优化的策略和实践。
一、风光互补发电系统的工作原理风光互补发电系统包括风力发电系统和太阳能光伏发电系统两部分，其工作原理是通过不同形式的可再生能源发电设备组成，通过发电设备的并联与串联组合及电力储存器的接入，既可以实现其单一可再生能源的发电，又可以实现其彼此之间的互补发电，从而克服了单一可再生能源时序性差和稳定性差的问题。
二、电力优化的需求电力优化的需求来源于风光互补发电系统的运行特点。
风力发电和太阳能光伏发电系统都受限于天气、时间和地域因素等不确定性因素产生的功率波动，因此，风光互补发电系统面临的主要问题是电力供应的不稳定性和波动性。
同时，风光互补发电系统的并网能力和对电网质量的影响也是电力优化的目标。
三、现有技术及实践为了解决电力优化问题，学术界和工程实践者提出了多种技术和策略。
下面将从四个方面分析现有技术及实践。
1. 储能技术储能技术是解决风光互补发电系统电力优化问题的主要手段之一。
对于风光互补发电系统的储能技术，主要有压缩空气储能、电容储能、钠硫电池、铅酸蓄电池、超级电容器等。
其中，超级电容器因其高功率密度、长寿命、快速响应和环保优势，成为风光互补发电系统的优秀储能装置。
2. 控制策略控制策略是实现风光互补发电系统电力优化的重要手段之一。
主要包括各种完全/非完全控制策略，例如基于滑模控制、模糊控制、预测控制等的控制策略。
其中，模糊滑模控制是目前使用最为广泛的一种风光互补发电系统控制方法，通过精心设计的控制策略，实现风光互补发电系统的电力优化和功率调节。
3. 多能互补系统设计多能互补系统设计是在风力发电、太阳能光伏发电等可再生能源发电系统的基础上，引入其他非可再生能源的发电装置，如燃气发电机组、蓄热式电炉等，通过各装置互相补充的方式改善风光互补系统的电力供应力度和稳定性，并减缓对电网的影响。
风光互补发电系统的优化设计
风光互补发电系统的优化设计摘要：风能、太阳能等新兴能源储量丰富，对环境友好，能有效缓解因传统化石能源匾乏带来的经济危机。
独立型风光互补发电系统能有效利用新能源，解决无电地区供电问题。
在独立系统建设过程中，对供电系统容量进行优化设计能有效降低系统投资，提高系统风光资源利用率。
基于此，本文将着重分析探讨分布式风力-太阳能光伏互补发电系统，以期能为以后的实际工作起到一定的借鉴作用。
关键词：风光互补；发电系统；优化设计1.风光互补发电系统概述风光互补发电系统通过应用风能和太阳能，并与多种能源发电技术相结合，在智能控制技术的基础上实现发电，为可再生能源发电系统。
该系统主要由风力和太阳能发电组件构成，其中蓄电池能存储电能，通过逆变器将直流电转化为交流电，为用户提供电力[1]。
该系统能够使风电和光电之间形成互补，可以根据用户用电和资源实际情况分配系统容量，保证持续供电，减少能源浪费。
该系统分为两个发电单元，其费用与区域风能和太阳能实际资源有关，同时这两种资源的互补情况也会影响其利用情况，该系统会根据季节、昼夜变化等太阳能和风能的实际变化情况来分配能源，并利用自动控制系统实现充放电和发电。
2.风光互补发电系统的应用在我国，太阳能、风能等再生能源均十分丰富，因此，对其应用具有广泛性，在诸多领域，其应用均具有高效性、经济性与可持续性。
下文介绍了风光互补发电系统的应用，具体内容如下:2.1应用于无电农村在中国，各个区域的经济发展水平存在一定的差异，不平衡的经济发展状况，导致部分农村的生活与生产缺少电能，如:青藏高原与内蒙古自治区等，但此类地区拥有丰富的风能与太阳能，因此，利于风光互补发电系统的应用。
现阶段，我国为了满足农村的用电需求，积极建立可再生能源供电系统，己建成的有千余个，通过系统的独立运行，即:独立式发电的运用，为农村提供了可靠的电能，但此时的供电系统，仅能够满足农村的生活用电及照明需求，由于系统不能满足生产的用电负载，使得系统缺少经济性。
基于NSGA_的风光互补独立供电系统多目标优化
文章编号:025420096(2006)0620593206基于NSGA 2Ⅱ的风光互补独立供电系统多目标优化 收稿日期:2006202208 基金项目:国家级星火计划项目(2004E A105003)徐大明1,2,康龙云1,曹秉刚1(11西安交通大学机械工程学院机械电子工程系,西安710049; 21西安建筑科技大学机电工程学院,西安710055)摘 要:在风光互补独立供电系统的设计中,系统的优化配置是一个重要步骤。
风光资源、发电、储能和负载之间有复杂的匹配关系。
风光互补独立供电系统的优化配置可看作一个多目标优化问题,两个相互冲突的目标是极大化供电可靠性和极小化成本,供电可靠性指标负载缺电率LPSP 需经仿真运行得到。
优化算法采用精英非支配解排序遗传算法(NSG A 2Ⅱ),决策变量不仅有传统算法中的光伏电池和蓄电池的容量,还增加了风力发电机的类型和容量以及光伏电池的倾角。
经传统算法及ε2约束法验证表明,NSG A 2Ⅱ得出的非支配解前沿面就是Pareto 前沿面。
关键词:可再生能源;独立供电系统;容量配置;多目标优化;演化算法中图分类号:T M614,T M615 文献标识码:A0 引 言风光互补独立供电系统是可再生能源独立供电系统的一种重要形式,与独立风力发电或光伏发电相比较能使电力输出更可靠、更平稳,同时还降低对储能的要求[1]。
在风光互补独立供电系统的设计中,系统的优化配置是一个重要步骤。
对于可再生能源独立供电系统,可再生能源资源、发电、储能和负载之间有复杂的匹配关系。
风光互补独立供电系统的容量配置就是根据这种复杂的匹配关系决定系统各部分的容量,从而提高供电可靠性和降低成本。
一些文献给出风光互补独立供电系统容量配置的优化方法,有代表性的是文献[2～4]中的切线法。
这些方法都是以供电可靠性为约束条件,以成本为目标,属于单目标优化。
很多情况下供电可靠性也是目标,因此,风光互补独立供电系统容量配置可看作多目标优化问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2011年7月电工技术学报Vol.26 No. 7 第26卷第7期TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY Jul. 2011风光互补独立供电系统的多目标优化设计宋洪磊吴俊勇冀鲁豫高立志刘印磊黄鹏洲（北京交通大学电气学院北京 100044）摘要在风光互补独立供电系统的设计中，如何配置风力发电机、太阳能电池板和蓄电池，在满足负荷需求的前提下，使风能和太阳能资源得到充分利用，负荷的供电可靠性较高，而系统成本最小，这是一个多目标优化设计问题。
本文首先建立了风力发电和光伏发电的天气模型，提出了衡量供电可靠性的失负荷概率LOLP、衡量清洁能源浪费的失能量概率LOEP和系统成本等指标，并采用蒙特卡罗仿真进行计算。
为了求解这一多目标优化问题，本文提出了一种混沌自适应进化算法（CSEA），新算法的混沌初始种群算子提高了初代种群的多样性，分组选择策略保证了各代中一定数量的劣势个体能参与进化，自适应遗传算子增加了劣势个体的交叉和变异概率，从而避免算法早熟，增强了算法的全局搜索能力。
算例表明，CSEA算法比传统单目标遗传算法的结果更加接近实际运行的Pareto优化前端，综合效果更优。
另外，与纯光伏、纯风力发电方式比较发现，风光互补供电方式更为合理。
可见，采用CSEA算法进行风光互补独立供电系统的优化设计，对于提高供电可靠性，降低成本，减少能源浪费具有非常重要的意义。
关键词：多目标进化算法（MOEA）混沌初始种群自适应遗传算法风光互补中图分类号：TM619Multi-Objective Optimal Sizing of Stand-Alone Hybrid Wind/PV System Song Honglei Wu Junyong Ji Luyu Gao Lizhi Liu Yinlei Huang Pengzhou（Beijing Jiao Tong University Beijing 100044 China）Abstract In optimal sizing of stand-alone hybrid wind/PV system, how to make more full use of wind and solar energy source, and how to configure PV modules, wind generators and batteries based on the load demand with higher reliability and lower system cost is a multi-objective optimization problem in nature. In this paper, the wind generators and PV Systems are modeling at first. Loss of load probability (LOLP) and loss of energy probability (LOEP) indices which reflect the reliability level and the lost of energy are proposed and calculated through Monte Carlo simulation. To solve the multi-objective optimization problem, a so called chaos self-adaptive evolutionary algorithm (CSEA) multi-objective evolutionary algorithm is proposed in detail. Simulation results show that, The chaotic initial generation helps to improve the initial diversity, the Grouping selection strategy and self-adaptive genetic operator help to avoid pre-maturity and enhance the global searching ability of the algorithm. Comparison with the single-objective optimization show that CSEA outperforms GA in terms of diversity preservation and in converging closer to the pareto-optimal frontier in one-run-time.Stand-alone hybrid wind/PV system is more reasonable comparing with PV system or wind farm in power system. Application of CSEA on the Optimal Sizing of Stand-alone hybrid wind/PV system can improve system reliability, reduce the cost and energy waste, which has great significance.Keywords：Multi-objective evolutionary algorithm, chaotic initial generation, self-adaptive genetic operator, wind/PV hybrid system国家自然科学基金资助项目（60674005）。
收稿日期 2009-10-09 改稿日期 2010-03-30第26卷第7期宋洪磊等风光互补独立供电系统的多目标优化设计 1051引言随着经济的快速发展，能源的消耗逐年增加，常规能源面临日益枯竭的窘境，迫切需要可再生的新型清洁能源。
在目前众多可再生能源与新能源技术开发中，潜力最大、最具开发价值的是风能和太阳能，它们是一种取之不尽、用之不竭的可再生能源。
近些年来，光伏和风力发电成本下降较快，同时传统能源成本却逐年上升，这就使得风光互补供电系统具有了较好的应用前景[1-2]。
风光互补独立供电系统现在主要应用在偏远地区和较小的负荷需求地区或用户，它们的特点是仅以太阳能和风能作为电力来源，并以蓄电池组作为储能装置以备自然资源不能满足负荷时使用。
太阳能与风能在时间上和地域上天然具有很强的互补性，而风光互补供电系统是否真正的比纯风力发电或者纯光伏发电系统优越，本文将运用所研究的多目标进化算法，以可靠性和成本为研究目标，对此三种独立供电方式进行比较，得出相应的结论[1, 4]。
现在关于风光互补优化设计大多都是根据最坏天气情况来进行系统的优化配置，这样不能得到相对真实情况的最小成本。
而本文对自然天气情况采用蒙特卡罗方法，使得仿真更加逼近真实的天气情况。
当前风光互补独立供电系统设计的主流方法是运用遗传算法对一次成本进行优化[5-6]。
然而，遗传算法仅把成本作为唯一目标，对于风光互补独立供电系统的优化配置设计来说，系统的成本、失负荷概率（Loss of Load Probability，LOLP）、清洁能源浪费概率（Loss of Energy Probability，LOEP）都是需要考虑的重要问题，因此这是一个多目标优化问题[7-8]。
在给定负荷和天气情况的条件下，成本totalC、LOLP、LOEP作为优化的目标，都是越小越好。
本文所采用的混沌自适应分组选择进化算法是基于NSGA-II[10]多目标进化算法改进得到的。
相对于NSGA-II增加了混沌初值、分组选择和自适应算子。
在优化计算中主要在给定负荷状况和长期的天气统计数据的情况下针对太阳能电池板的数量、蓄电池的数量、风力发电机的种类与数量进行仿真计算。
2风光互补独立供电系统模型2.1目标设计风光互补独立供电系统中，太阳能电池板和风力发电机是发电设备，蓄电池是唯一的储能装置。
系统的总的一次投入成本totalC可表示为total0C C C=+（1）式中，C为风力发电机、太阳能电池板、蓄电池的成本之和；C0为控制器、逆变器、电力线路、系统设计安装费用等。
一次投入成本主要是由第一部分C组成，C0相对于C很小，同时在totalC优化过程中C0通常是变化很小的，所以为了简化起见，可以忽略C0这部分成本，即totalC≈C，可表示为P P W W B Bi iC C N C N C N=×+×+×∑（2）式中，PC、W iC、BC分别是太阳能电池成本、第i 种风力发电机成本、蓄电池成本；PN、W iN、BN分别是太阳能电池数量、第i种风力发电机数量、蓄电池数量。
失负荷概率是用来衡量风光互补独立供电系统可靠性的指标，它的定义是：当供电不足时所有失负荷的电量与全部负荷需求电量之比。
LOLP表征的是由于太阳能电池板和风力发电机的发电量不足，不能满足风光互补独立供电系统的负荷需求。
与其对应的是清洁能源浪费概率，它是衡量供电剩余的指标，它的定义是：所有浪费的电量占全部的负荷需求电量的比，而LOEP表征的是由于太阳能电池板和风力发电机的发电量过剩，超出了系统负荷需求和蓄电池容量，造成清洁能源所发电能的浪费。
2.2天气模型考虑到天气的随机性，本文采用蒙特卡罗的方法对天气进行仿真。
太阳能辐射仿真采用的是尖峰太阳小时数（Peak-Sun-Hour，PSH）的方法[14]，这种方法就是把月平均太阳能辐射量等效为1kW/m2日发电小时数，如式（3）所示。
2rPSH1 kW/mQDη=∂×（3）式中，Q0为月平均太阳能辐射量，MJ/m2；η为太阳能电池板发电效率；∂为能量转化系数；D r为晴天发电天数。
而本文关心的是太阳能电池板的平均输出电能，它可以通过“尖峰太阳能电池工作小时数”（Peak PV Hour，PPVH）计算得到。
一天中太阳能辐射量是变化的[15]，因此太阳能电池板的输出功率也是变化的，类似正弦曲线的正半波，中午前后最大。
为简化计算，假设太阳能电池板的输出功率不变，始终是额定功率，它持续工作PPVH小时所输出的电能恰好等于该电池板一天实际输出的电能。
PPVH定义如下：106电 工 技 术 学 报 2011年7月20PPVH PSH 1kW/m SP =××（4） 式中，S 为太阳能电池板面积；P 0为太阳能电池板额定功率。